机构名称：
¥ 1.0
摘要：数字病理学和人工智能的进步已经提出了建立客观诊断，预后和治疗性反应和抵抗预测模型的潜力。在本次演讲中，我们将讨论我们的工作：（1）与癌症诊断和亚型中的示例进行弱监督的整个幻灯片分类的数据有效方法（Nature BME，2021），确定了未知主要癌症的起源（自然，2021年）（2021年）和Allognaft Repptional repotition（Nature Medical，202222）（2022）（2） （癌细胞，2022; IEEE TMI，2020; ICCV，2021; CVPR，2024; ICML，2024）。（3）建立病理学单形和多模式基础模型，与语言和基因组学对比（自然医学，2024a，自然医学2024b，CVPR 2024）。（4）为病理学开发通用的多模式生成型副驾驶和聊天机器人（自然，2024年）。（5）3D计算病理学（Cell，2024）（6）计算病理学算法中的偏见和公平性（Nature Medicine，2024; Nature BME 2023）（7）诊断病理学和生物医学研究的代理AI工作流程。
研讨会系列，Flier-faisal Mahmood
主要关键词
相关文件推荐
